| pampa ¶

1.1 | Importando pacotes usados ¶

In [ ]:
import numpy as np
import pandas as pd
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio
In [ ]:
import plotly.io as pio
pio.renderers
Out[ ]:
Renderers configuration
-----------------------
    Default renderer: 'plotly_mimetype+notebook'
    Available renderers:
        ['plotly_mimetype', 'jupyterlab', 'nteract', 'vscode',
         'notebook', 'notebook_connected', 'kaggle', 'azure', 'colab',
         'cocalc', 'databricks', 'json', 'png', 'jpeg', 'jpg', 'svg',
         'pdf', 'browser', 'firefox', 'chrome', 'chromium', 'iframe',
         'iframe_connected', 'sphinx_gallery', 'sphinx_gallery_png']
In [ ]:
pio.renderers.default = "notebook"

1.2 | Funções usadas ¶

In [ ]:
def equivalencia_linha(tabulacao_cruzada):
    """Essa função determina as esquivalências por linha entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_linha = []
    for index, row in tabulacao_cruzada.iterrows():
        max_row = row.sort_values(ascending=False)
        mapeamento_linha.append(tabulacao_cruzada.loc[: , max_row.index[0]])
    
    mapeamento_linha = pd.DataFrame(data=mapeamento_linha)
    
    linhas = mapeamento_linha.index.tolist()
    colunas = mapeamento_linha.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_linha = pd.DataFrame(data_tuples, columns=['Quarto_Inventario','MapBiomas'])
    
    for i in range(len(mapeamento_linha)):
        mapeamento_linha.loc[i, "Size"] = tabulacao_cruzada.loc[(mapeamento_linha["Quarto_Inventario"][i])].max()
        
    return mapeamento_linha
In [ ]:
def equivalencia_coluna(tabulacao_cruzada):
    """Essa função determina as esquivalências por coluna entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_coluna = []
    for column in range(0, tabulacao_cruzada.shape[1]):
        max_column = tabulacao_cruzada.iloc[:, column].sort_values(ascending=False)
        mapeamento_coluna.append(tabulacao_cruzada.loc[max_column.index[0], :])
    
    mapeamento_coluna = pd.DataFrame(data=mapeamento_coluna)
    
    linhas = mapeamento_coluna.index.tolist()
    colunas = mapeamento_coluna.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_coluna = pd.DataFrame(data_tuples, columns=['MapBiomas', 'Quarto_Inventario'])
    
    mapeamento_coluna.loc[:, ("Size")] = 0
    
    for i in range(len(mapeamento_coluna)):
         mapeamento_coluna.loc[i, "Size"] = tabulacao_cruzada.loc[:, (mapeamento_coluna["MapBiomas"][i])].max()
        
    return mapeamento_coluna
In [ ]:
def legenda_harmonizada(mapeamento_linha, mapeamento_coluna):
    """
        Determina a harmonização das legendas a partir das harmonizações por linha e por coluna.
    """
    
    legenda = pd.merge(equivalencias_linha, equivalencias_coluna, how="outer")
    
    return legenda
In [ ]:
def nodify(node_names):
    '''
        Cria os nódulos para agrupar cada legendas em uma coluna a partir da legenda gerada
        pela função harmonizacao_2_sankey e geras as cores de cada nódulo por coluna.
    '''
    # uniqe name endings
    ends = sorted(list(set([e[-1] for e in node_names])))
    
    # intervals
    steps = 0

    # x-values for each unique name ending
    # for input as node position
    nodes_x = {}
    node_colors = {}
    xVal = 0
    for e in ends:
        if e != " ":
            nodes_x[str(e)] = xVal
            xVal += steps + 0.3
        else:
            nodes_x[str(e)] = xVal
            xVal += steps
            
    for e in ends:
        if e != "'":
            node_colors[str(e)] = '#84caa0'
        else:
            node_colors[str(e)] = '#37986a'

    # x and y values in list form
    x_values = [nodes_x[n[-1]] for n in node_names]
    y_values = [0.01]*len(x_values)
    
    node_colors = [node_colors[n[-1]] for n in node_names]
    
    return x_values, y_values, node_colors
In [ ]:
def df_2_sankey(df,cols,values,hover_value=None):
    """ 
        Helper function to convert a dataframe of relationships to 
        Plotly Sankey format.
    """
    colors = ['#D0EDA6','#EDEF7B','#EF7B84','#00308f','#eedc82','#c66']
    out = df.copy()
    entities = dict()
    vals_ = [values,hover_value]
    try: 
        vals_.remove(None)
    except:
        pass
    
    # get dict of uid for each entity in each level from 0...n
    for n,c in enumerate(cols):
        if n == 0:
            out[f'{c}_'] = pd.factorize(out[c])[0]
        else:
            out[f'{c}_'] = pd.factorize(out[c])[0] + (out[f'{cols[n-1]}_'].max()+1)
        entities[n] = dict(out[[cols[n]+'_',cols[n]]].values)

    # create df edge list between source,targets
    edge_list = list()
    for i in range(0, len(cols), 1):
        slice_ = cols[i:i+2]
        if len(slice_)==2:
            el_ = out.groupby([f'{c}_' for c in slice_],as_index=False)[vals_].sum()
            el_.columns = ['source','target']+vals_
            edge_list.append(el_)
    edge_list = pd.concat(edge_list,ignore_index=True)

    # Sankey node definitions are simply the ordered uid/names of each entity 
    labels = [v[i] for k,v in entities.items() for i in v] # use v[i] for name, i for uid
    node_colors = [colors[k] for k in entities.keys() for i in entities[k]]

    # Sankey edge definitions
    source = list(edge_list['source'])
    target = list(edge_list['target'])
    values = list(edge_list[values])
    
    if hover_value is None:
        hover_values = list()
    else:
        hover_values = list(edge_list[hover_value])
    if len(source) == len(target) == len(values):
        return edge_list,entities,labels,node_colors,source,target,values,hover_values
    else:
        raise Exception('Output test fail: lists are of unequal lengths')
In [ ]:
def harmonizacao_2_sankey(df):
    """
    Gera os outputs necessários para gerar o diagrama de Sankey via plotly para a legenda harmonizada.
    """      
    equivalencias_linha = equivalencia_linha(df)
    _df = pd.DataFrame()
    _df["source"] = equivalencias_linha["Quarto_Inventario"] + "!"
    _df["target"] = equivalencias_linha["MapBiomas"] + "'"
    _df["value"] = equivalencias_linha["Size"]
    
    equivalencias_coluna = equivalencia_coluna(df)
    _df2 = pd.DataFrame()
    _df2["source"] = equivalencias_coluna["MapBiomas"] + "'"
    _df2["target"] = equivalencias_coluna["Quarto_Inventario"].astype(str) + " "
    _df2["value"] = equivalencias_coluna["Size"]
    
    _df = pd.concat([_df, _df2], ignore_index=True)
    
    legendas = pd.concat([_df['source'], _df['target']])
    legendas = legendas.unique()
    legenda = {x: index for index, x in enumerate(legendas)}
    
    nodified_x, nodified_y, node_colors = nodify(legendas)
    
    source = []
    target = []
    value = []
    for linha in _df.iterrows():
        source.append(legenda.get(linha[1].source))
        target.append(legenda.get(linha[1].target))
        value.append(linha[1].value)
    
    return legendas, source, target, value, node_colors, nodified_x, nodified_y

1.3 | Legendas dos mapas de acordo com os valores de pixel ¶

In [ ]:
mapbiomas_col7_legenda = {
    1 : "Floresta",
    3 : "Formação Florestal",
    4 : "Formação Savânica",
    5 : "Mangue",
    49 : "Restinga Arborizada",
    10 : "Formação Natural não Florestal",
    11 : "Campo Alagado e Área Pantanosa",
    12 : "Formação Campestre",
    32 : "Apicum",
    29 : "Afloramento Rochoso",
    50 : "Restinga Herbácea",
    13 : "Outras Formações não Florestais",
    14 : "Agropecuária",
    15 : "Pastagem",
    18 : "Agricultura",
    19 : "Lavoura Temporária",
    39 : "Soja",
    20 : "Cana",
    40 : "Arroz (beta)",
    62 : "Algodão (beta)",
    41 : "Outras Lavouras Temporárias",
    36 : "Lavoura Perene",
    46 : "Café",
    47 : "Citrus",
    48 : "Outras Lavouras Perenes",
    9 : "Silvicultura",
    21 : "Mosaico de Usos",
    22 : "Área não Vegetada",
    23 : "Praia, Duna e Areal",
    24 : "Área Urbanizada",
    30 : "Mineração",
    25 : "Outras Áreas não Vegetadas",
    26 : "Corpo D'água",
    33 : "Rio, Lago e Oceano",
    31 : "Aquicultura",
    27 : "Não Observado"
}

quarto_inventario_legenda = {
    1 : "Floresta manejada (FM)",
    2 : "Floresta não manejada (FNM)",
    3 : "Floresta secundária (FSec)",
    4 : "Corte seletivo (CS)",
    5 : "Reflorestamento (Ref)",
    6 : "Campo manejado (GM)",
    7 : "Campo não manejado (GNM)",
    8 : "Campo secundário (GSec)",
    9 : "Pastagem (Ap)",
    10 : "Pastagem degradada (APD)",
    11 : "Outras formações lenhosas manejadas (OFLM)",
    12 : "Outras formações lenhosas não manejadas (OFLNM)",
    13 : "Outras formações lenhosas secundárias (OFLSec)",
    14 : "Agricultura anual  (AC)",
    15 : "Agricultura perene (PER)",
    16 : "Agricultura semiperene  (CANA)",
    17 : "Água (A)",
    18 : "Reservatório (Res)",
    19 : "Assentamento (S)",
    20 : "Dunas manejadas (DnM)",
    21 : "Dunas não manejadas (DnNM)",
    22 : "Afloramento rochoso manejado (ArM)",
    23 : "Afloramento rochoso não manejado (ArNM)",
    24 : "Mineração (Min)",
    25 : "Solo exposto (SE)",
    26 : "Áreas não observadas (NO)"
}

1.4 | Carregando os dados ¶

In [ ]:
df = pd.read_csv("../confusion_matrix/tab_cruz_pampa.csv", index_col="Unnamed: 0")

df.head()
Out[ ]:
0.0 3.0 9.0 11.0 12.0 15.0 21.0 23.0 24.0 25.0 29.0 30.0 31.0 33.0 39.0 40.0 41.0 49.0 50.0 255.0
0.0 99042932 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 292440009
1.0 0 397121 12846 386079 2489282 95 33389 1641 512 8911 19783 0 0 40628 9739 5092 2914 49711 67215 690
2.0 0 11816603 814950 2271101 17429557 16422 867829 83339 42649 226362 156022 1109 0 853746 980790 141984 62668 436980 714203 89495
3.0 0 347343 54639 94466 954335 1784 128557 114 2527 8850 5067 8110 0 45079 111117 22889 11553 19406 11114 2210
5.0 0 2255892 7128947 30877 1243334 3494 117580 20392 3452 60024 1604 5025 0 18396 114695 4449 8079 106707 87232 26203

1.5 | Tratando os dados ¶

In [ ]:
df.shape
Out[ ]:
(22, 20)
In [ ]:
df.index
Out[ ]:
Index([ 0.0,  1.0,  2.0,  3.0,  5.0,  6.0,  7.0,  8.0,  9.0, 11.0, 12.0, 13.0,
       14.0, 15.0, 17.0, 18.0, 19.0, 20.0, 21.0, 23.0, 24.0, 25.0],
      dtype='float64')
In [ ]:
df.columns
Out[ ]:
Index(['0.0', '3.0', '9.0', '11.0', '12.0', '15.0', '21.0', '23.0', '24.0',
       '25.0', '29.0', '30.0', '31.0', '33.0', '39.0', '40.0', '41.0', '49.0',
       '50.0', '255.0'],
      dtype='object')
In [ ]:
df = df.drop(index=0.0, columns=["0.0", "255.0"])


df.head()
Out[ ]:
3.0 9.0 11.0 12.0 15.0 21.0 23.0 24.0 25.0 29.0 30.0 31.0 33.0 39.0 40.0 41.0 49.0 50.0
1.0 397121 12846 386079 2489282 95 33389 1641 512 8911 19783 0 0 40628 9739 5092 2914 49711 67215
2.0 11816603 814950 2271101 17429557 16422 867829 83339 42649 226362 156022 1109 0 853746 980790 141984 62668 436980 714203
3.0 347343 54639 94466 954335 1784 128557 114 2527 8850 5067 8110 0 45079 111117 22889 11553 19406 11114
5.0 2255892 7128947 30877 1243334 3494 117580 20392 3452 60024 1604 5025 0 18396 114695 4449 8079 106707 87232
6.0 57017 1111 5014 503860 0 5847 0 0 2921 1859 0 0 1091 4078 370 304 0 0

1.6 | Mapeando os nomes das classes ¶

In [ ]:
classes_mapa1 = df.columns.astype(float)
classes_mapa2 = df.index

# Mapeando os valores de pixels com os nomes das classes
mapa1_legenda = list(map(mapbiomas_col7_legenda.get, classes_mapa1))
mapa2_legenda = list(map(quarto_inventario_legenda.get, classes_mapa2))
In [ ]:
mapa1_legenda
Out[ ]:
['Formação Florestal',
 'Silvicultura',
 'Campo Alagado e Área Pantanosa',
 'Formação Campestre',
 'Pastagem',
 'Mosaico de Usos',
 'Praia, Duna e Areal',
 'Área Urbanizada',
 'Outras Áreas não Vegetadas',
 'Afloramento Rochoso',
 'Mineração',
 'Aquicultura',
 'Rio, Lago e Oceano',
 'Soja',
 'Arroz (beta)',
 'Outras Lavouras Temporárias',
 'Restinga Arborizada',
 'Restinga Herbácea']
In [ ]:
mapa2_legenda
Out[ ]:
['Floresta manejada (FM)',
 'Floresta não manejada (FNM)',
 'Floresta secundária (FSec)',
 'Reflorestamento (Ref)',
 'Campo manejado (GM)',
 'Campo não manejado (GNM)',
 'Campo secundário (GSec)',
 'Pastagem (Ap)',
 'Outras formações lenhosas manejadas (OFLM)',
 'Outras formações lenhosas não manejadas (OFLNM)',
 'Outras formações lenhosas secundárias (OFLSec)',
 'Agricultura anual  (AC)',
 'Agricultura perene (PER)',
 'Água (A)',
 'Reservatório (Res)',
 'Assentamento (S)',
 'Dunas manejadas (DnM)',
 'Dunas não manejadas (DnNM)',
 'Afloramento rochoso não manejado (ArNM)',
 'Mineração (Min)',
 'Solo exposto (SE)']
In [ ]:
# Renomeando linhas e colunas de acordo com as classes 
df.columns = mapa1_legenda
df.index = mapa2_legenda

df.head()
Out[ ]:
Formação Florestal Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Mosaico de Usos Praia, Duna e Areal Área Urbanizada Outras Áreas não Vegetadas Afloramento Rochoso Mineração Aquicultura Rio, Lago e Oceano Soja Arroz (beta) Outras Lavouras Temporárias Restinga Arborizada Restinga Herbácea
Floresta manejada (FM) 397121 12846 386079 2489282 95 33389 1641 512 8911 19783 0 0 40628 9739 5092 2914 49711 67215
Floresta não manejada (FNM) 11816603 814950 2271101 17429557 16422 867829 83339 42649 226362 156022 1109 0 853746 980790 141984 62668 436980 714203
Floresta secundária (FSec) 347343 54639 94466 954335 1784 128557 114 2527 8850 5067 8110 0 45079 111117 22889 11553 19406 11114
Reflorestamento (Ref) 2255892 7128947 30877 1243334 3494 117580 20392 3452 60024 1604 5025 0 18396 114695 4449 8079 106707 87232
Campo manejado (GM) 57017 1111 5014 503860 0 5847 0 0 2921 1859 0 0 1091 4078 370 304 0 0

Convertendo os valores de pixel para milhões de hectares.

In [ ]:
df2 = df

df = round(df * 0.09 / 1000000, 2)

df.head()
Out[ ]:
Formação Florestal Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Mosaico de Usos Praia, Duna e Areal Área Urbanizada Outras Áreas não Vegetadas Afloramento Rochoso Mineração Aquicultura Rio, Lago e Oceano Soja Arroz (beta) Outras Lavouras Temporárias Restinga Arborizada Restinga Herbácea
Floresta manejada (FM) 0.04 0.00 0.03 0.22 0.0 0.00 0.00 0.0 0.00 0.00 0.0 0.0 0.00 0.00 0.00 0.00 0.00 0.01
Floresta não manejada (FNM) 1.06 0.07 0.20 1.57 0.0 0.08 0.01 0.0 0.02 0.01 0.0 0.0 0.08 0.09 0.01 0.01 0.04 0.06
Floresta secundária (FSec) 0.03 0.00 0.01 0.09 0.0 0.01 0.00 0.0 0.00 0.00 0.0 0.0 0.00 0.01 0.00 0.00 0.00 0.00
Reflorestamento (Ref) 0.20 0.64 0.00 0.11 0.0 0.01 0.00 0.0 0.01 0.00 0.0 0.0 0.00 0.01 0.00 0.00 0.01 0.01
Campo manejado (GM) 0.01 0.00 0.00 0.05 0.0 0.00 0.00 0.0 0.00 0.00 0.0 0.0 0.00 0.00 0.00 0.00 0.00 0.00

2.1 | Análise dos dados ¶

2.1.1 | Tabulação Cruzada ¶

In [ ]:
results = []
for p_key, values in df.items():
    for key, value in values.items():
        results.append({"source": p_key, "target": key, "value": value})
        # print(p_key, key, value)

df_list = pd.DataFrame(results, columns=['target', 'source', 'value'])
df_list
Out[ ]:
target source value
0 Floresta manejada (FM) Formação Florestal 0.04
1 Floresta não manejada (FNM) Formação Florestal 1.06
2 Floresta secundária (FSec) Formação Florestal 0.03
3 Reflorestamento (Ref) Formação Florestal 0.20
4 Campo manejado (GM) Formação Florestal 0.01
... ... ... ...
373 Dunas manejadas (DnM) Restinga Herbácea 0.00
374 Dunas não manejadas (DnNM) Restinga Herbácea 0.02
375 Afloramento rochoso não manejado (ArNM) Restinga Herbácea 0.00
376 Mineração (Min) Restinga Herbácea 0.00
377 Solo exposto (SE) Restinga Herbácea 0.00

378 rows × 3 columns

In [ ]:
fig = px.imshow(df.replace(0, None), text_auto=True, aspect="auto", height=1000, title='Matriz de Tabulação Cruzada entre os mapas (Mha)')
fig.show()
In [ ]:
fig = make_subplots(
    rows=2, cols=1,
    shared_yaxes='all',
    specs=[[{"type": "xy"}],[{"type": "xy"}]],
    subplot_titles=("<b>MapBiomas Col. 7 - pampa<b>", "<b>Quarto Inventário Nacional - pampa<b>")
)

fig.add_trace(go.Bar(y= df.sum(), x=df.sum().index, text=((df.sum())).astype(int).astype(str)+"Mha"),
              row=1, col=1)

fig.add_trace(go.Bar(y = df.sum(axis='columns').sort_values(ascending=False), 
                     x=df.sum(axis='columns').sort_values(ascending=False).index, 
                     text=((df.sum(axis='columns').sort_values(ascending=False))).astype(int).astype(str)+"Mha"),
              row=2, col=1)

fig.update_layout(title_text="<b>Distribuição das Classes por Mapa da Região Estudada<b>",
                  height=1000,
                  width=1200,
                  showlegend=False
                  )

fig.update_layout(barmode='stack', xaxis={'categoryorder':'total descending'})

fig.show()

2.2 | Equivalências por linha ¶

In [ ]:
equivalencias_linha = equivalencia_linha(df)
display(equivalencias_linha)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Campestre 0.22
1 Floresta não manejada (FNM) Formação Campestre 1.57
2 Floresta secundária (FSec) Formação Campestre 0.09
3 Reflorestamento (Ref) Silvicultura 0.64
4 Campo manejado (GM) Formação Campestre 0.05
5 Campo não manejado (GNM) Formação Campestre 1.49
6 Campo secundário (GSec) Formação Campestre 0.07
7 Pastagem (Ap) Formação Campestre 3.23
8 Outras formações lenhosas manejadas (OFLM) Formação Florestal 0.00
9 Outras formações lenhosas não manejadas (OFLNM) Formação Campestre 0.01
10 Outras formações lenhosas secundárias (OFLSec) Formação Florestal 0.00
11 Agricultura anual (AC) Soja 4.12
12 Agricultura perene (PER) Formação Campestre 0.01
13 Água (A) Rio, Lago e Oceano 1.82
14 Reservatório (Res) Rio, Lago e Oceano 0.14
15 Assentamento (S) Área Urbanizada 0.13
16 Dunas manejadas (DnM) Praia, Duna e Areal 0.01
17 Dunas não manejadas (DnNM) Praia, Duna e Areal 0.08
18 Afloramento rochoso não manejado (ArNM) Formação Florestal 0.00
19 Mineração (Min) Formação Florestal 0.00
20 Solo exposto (SE) Formação Florestal 0.00
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_linha,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> Quarto_Inventario > MapBiomas | pampa<b>", font_size=12)
fig.show()

2.3 | Equivalências por coluna ¶

In [ ]:
equivalencias_coluna = equivalencia_coluna(df)
display(equivalencias_coluna)
MapBiomas Quarto_Inventario Size
0 Formação Florestal Floresta não manejada (FNM) 1.06
1 Silvicultura Reflorestamento (Ref) 0.64
2 Campo Alagado e Área Pantanosa Floresta não manejada (FNM) 0.20
3 Formação Campestre Pastagem (Ap) 3.23
4 Pastagem Pastagem (Ap) 0.01
5 Mosaico de Usos Agricultura anual (AC) 0.34
6 Praia, Duna e Areal Dunas não manejadas (DnNM) 0.08
7 Área Urbanizada Assentamento (S) 0.13
8 Outras Áreas não Vegetadas Pastagem (Ap) 0.04
9 Afloramento Rochoso Pastagem (Ap) 0.01
10 Mineração Floresta manejada (FM) 0.00
11 Aquicultura Floresta manejada (FM) 0.00
12 Rio, Lago e Oceano Água (A) 1.82
13 Soja Agricultura anual (AC) 4.12
14 Arroz (beta) Agricultura anual (AC) 0.94
15 Outras Lavouras Temporárias Agricultura anual (AC) 0.09
16 Restinga Arborizada Floresta não manejada (FNM) 0.04
17 Restinga Herbácea Floresta não manejada (FNM) 0.06
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_coluna,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> MapBiomas > Quarto_Inventario | pampa<b>", font_size=12)
fig.show()

2.4 | Legenda Harmonizada ¶

In [ ]:
mapeamento = legenda_harmonizada(equivalencias_linha, equivalencias_coluna)
display(mapeamento)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Campestre 0.22
1 Floresta não manejada (FNM) Formação Campestre 1.57
2 Floresta secundária (FSec) Formação Campestre 0.09
3 Reflorestamento (Ref) Silvicultura 0.64
4 Campo manejado (GM) Formação Campestre 0.05
5 Campo não manejado (GNM) Formação Campestre 1.49
6 Campo secundário (GSec) Formação Campestre 0.07
7 Pastagem (Ap) Formação Campestre 3.23
8 Outras formações lenhosas manejadas (OFLM) Formação Florestal 0.00
9 Outras formações lenhosas não manejadas (OFLNM) Formação Campestre 0.01
10 Outras formações lenhosas secundárias (OFLSec) Formação Florestal 0.00
11 Agricultura anual (AC) Soja 4.12
12 Agricultura perene (PER) Formação Campestre 0.01
13 Água (A) Rio, Lago e Oceano 1.82
14 Reservatório (Res) Rio, Lago e Oceano 0.14
15 Assentamento (S) Área Urbanizada 0.13
16 Dunas manejadas (DnM) Praia, Duna e Areal 0.01
17 Dunas não manejadas (DnNM) Praia, Duna e Areal 0.08
18 Afloramento rochoso não manejado (ArNM) Formação Florestal 0.00
19 Mineração (Min) Formação Florestal 0.00
20 Solo exposto (SE) Formação Florestal 0.00
21 Floresta não manejada (FNM) Formação Florestal 1.06
22 Floresta não manejada (FNM) Campo Alagado e Área Pantanosa 0.20
23 Pastagem (Ap) Pastagem 0.01
24 Agricultura anual (AC) Mosaico de Usos 0.34
25 Pastagem (Ap) Outras Áreas não Vegetadas 0.04
26 Pastagem (Ap) Afloramento Rochoso 0.01
27 Floresta manejada (FM) Mineração 0.00
28 Floresta manejada (FM) Aquicultura 0.00
29 Agricultura anual (AC) Arroz (beta) 0.94
30 Agricultura anual (AC) Outras Lavouras Temporárias 0.09
31 Floresta não manejada (FNM) Restinga Arborizada 0.04
32 Floresta não manejada (FNM) Restinga Herbácea 0.06
In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df2)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])


fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Inventário > MapBiomas > Inventário | pampa <b>", font_size=12)
fig.show()

Aqui temos uma versão do diagrama sem considerar a quantidade de área identificada. Ele possibilita uma visão mais limpa de como ficaram as concordâncias.

In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df)

value = [1] * len(value)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])

fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Quarto Inventário > MapBiomas | pampa <b>", font_size=12)
fig.show()

2.5 | Análise das Informações Obtidas ¶

In [ ]:
concordancia_geral = round(100 * mapeamento.loc[:, "Size"].sum() / df.to_numpy().sum(), 2)

print("A concordância geral entre os mapas foi de {}%".format(concordancia_geral), "considerando a harmonização obtida.")

A concordância geral entre os mapas foi de 79.64% considerando a harmonização obtida.